JSoup 教程:解析HTML文档的艺术
2024-08-21 07:16:12作者:裴麒琰
项目介绍
JSoup 是一个用于处理实际世界 HTML 的 Java 库。它提供了非常方便的 API,用于提取和操作数据,使用 DOM、CSS 和类似于 jQuery 的方法来查找和操作元素。JSoup 的核心是其解析器,它可以清理“丑陋”的 HTML,修复标签,并构建一个可遍历的结构化模型(Document Object Model)。这个库非常适合从网页中抓取数据,进行网页爬虫开发,或者对现有HTML内容进行清洗和转换。
项目快速启动
要快速上手 JSoup,首先确保你的项目中已经加入了 JSoup 的依赖。对于 Maven 项目,可以在 pom.xml
中添加以下依赖:
<dependency>
<groupId>org.jsoup</groupId>
<artifactId>jsoup</artifactId>
<version>1.13.1</version> <!-- 检查最新版本 -->
</dependency>
示例代码:解析并提取页面标题
下面的示例展示了如何使用 JSoup 连接到一个网站并提取其标题。
import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
public class JsoupQuickStart {
public static void main(String[] args) {
try {
// 连接并获取HTML
Document doc = Jsoup.connect("http://example.com").get();
// 提取HTML的<title>标签内容
String title = doc.title();
System.out.println("页面标题: " + title);
} catch (Exception e) {
e.printStackTrace();
}
}
}
这段代码简单明了地演示了如何利用 JSoup 访问网页并提取标题。记住,根据实际情况调整URL,并且在生产环境中要处理可能的异常情况。
应用案例和最佳实践
数据抓取
在数据抓取场景中,常用的最佳实践包括:
- 使用选择器精确定位目标元素。
- 处理网络异常和解析异常。
- 遵守Robots协议,不非法抓取或滥用目标网站资源。
- 缓存策略减少重复请求。
抓取新闻标题实例
String url = "http://news.example.com";
try {
Document doc = Jsoup.connect(url).timeout(5000).get();
Elements newsHeadlines = doc.select("div.headline a");
for (Element headline : newsHeadlines) {
System.out.println(headline.text());
}
} catch (IOException e) {
e.printStackTrace();
}
典型生态项目
虽然 JSoup 主要是作为一个独立的库存在,但它的强大功能使其成为了许多Web爬虫、数据分析、甚至是自动化测试工具的基础。例如,在结合Spring Boot进行Web内容处理的应用中,JSoup可以无缝集成,帮助开发者构建强大的数据抓取服务。
由于JSoup本身的特性,它通常不需要特定的生态项目来支持,而是作为这些生态项目中的关键组件之一。开发者会在爬虫框架、内容管理系统(CMS)插件等中发现JSoup的身影,通过自定义脚本或扩展来增强原有系统的数据处理能力。
本文档涵盖了JSoup的基本使用,包括快速入门、应用实例以及一些最佳实践。了解这些基础后,你可以深入探索更多高级特性和应用场景,充分利用JSoup的强大解析能力。
登录后查看全文
热门项目推荐
相关项目推荐
PaddleOCR-VL
PaddleOCR-VL 是一款顶尖且资源高效的文档解析专用模型。其核心组件为 PaddleOCR-VL-0.9B,这是一款精简却功能强大的视觉语言模型(VLM)。该模型融合了 NaViT 风格的动态分辨率视觉编码器与 ERNIE-4.5-0.3B 语言模型,可实现精准的元素识别。Python00- DDeepSeek-V3.2-ExpDeepSeek-V3.2-Exp是DeepSeek推出的实验性模型,基于V3.1-Terminus架构,创新引入DeepSeek Sparse Attention稀疏注意力机制,在保持模型输出质量的同时,大幅提升长文本场景下的训练与推理效率。该模型在MMLU-Pro、GPQA-Diamond等多领域公开基准测试中表现与V3.1-Terminus相当,支持HuggingFace、SGLang、vLLM等多种本地运行方式,开源内核设计便于研究,采用MIT许可证。【此简介由AI生成】Python00
openPangu-Ultra-MoE-718B-V1.1
昇腾原生的开源盘古 Ultra-MoE-718B-V1.1 语言模型Python00ops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。C++0135AI内容魔方
AI内容专区,汇集全球AI开源项目,集结模块、可组合的内容,致力于分享、交流。03Spark-Chemistry-X1-13B
科大讯飞星火化学-X1-13B (iFLYTEK Spark Chemistry-X1-13B) 是一款专为化学领域优化的大语言模型。它由星火-X1 (Spark-X1) 基础模型微调而来,在化学知识问答、分子性质预测、化学名称转换和科学推理方面展现出强大的能力,同时保持了强大的通用语言理解与生成能力。Python00Spark-Scilit-X1-13B
FLYTEK Spark Scilit-X1-13B is based on the latest generation of iFLYTEK Foundation Model, and has been trained on multiple core tasks derived from scientific literature. As a large language model tailored for academic research scenarios, it has shown excellent performance in Paper Assisted Reading, Academic Translation, English Polishing, and Review Generation, aiming to provide efficient and accurate intelligent assistance for researchers, faculty members, and students.Python00GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00- HHowToCook程序员在家做饭方法指南。Programmer's guide about how to cook at home (Chinese only).Dockerfile011
- PpathwayPathway is an open framework for high-throughput and low-latency real-time data processing.Python00
项目优选
收起

deepin linux kernel
C
23
6

OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
231
2.32 K

仓颉编译器源码及 cjdb 调试工具。
C++
112
78

React Native鸿蒙化仓库
JavaScript
216
291

暂无简介
Dart
532
117

仓颉编程语言运行时与标准库。
Cangjie
122
93

🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
993
588

Ascend Extension for PyTorch
Python
75
106

仓颉编程语言测试用例。
Cangjie
34
61

旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.02 K
401